QUANTITATIVE METHODS III
Syllabus
Prerequisiti
Prerequisites
Programma
Assunzioni del modello lineare (4 ore)
Diagnostica (4 ore)
Inferenza (4 ore)
Valutazione di studi basati sulla regressione (2 ore)
Regressioni per serie storiche e previsioni (8 ore)
Effetti causali dinamici (4 ore)
Program
Assumptions and Diagnosis (8 hours)
Inference (4 hours)
Internal and External Validity (2 hours)
Regression Analysis of Economic Time Series Data (8 hours)
Dynamic Causal Effects (4 hours)
Testi Adottati
Books
Bibliografia
Bibliography
Modalità di svolgimento
Teaching methods
In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La struttura dell'esame include domande, sia di natura teorica che di natura empirica, in formato aperte, chiuse e/o a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso, sia la capacità di applicarle a dati reali. Alcune domande includeranno rappresentazioni grafiche ed output di stima del software statistico utilizzato, al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Gli studenti devono prenotarsi tramite sito DELPHI per sostenere lo scritto. Studenti non iscritti non saranno ammessi.
Durante l'esame non sono ammessi materiali quali libro, appunti, biglietti, formulari, etc...
I voti finali saranno registrati direttamente in DELPHI. Si ricorda che il sistema di verbalizzazione elettronica richiede l'indicazione dell'esito d'esame per ciascuno degli studenti iscritti all'appello. Per l'accettazione del voto vale la regola del silenzio assenso e la registrazione elettronica non richiede la presenza fisica. Coloro che viceversa intendono rifiutare il voto sono tenuti a farlo tramite DELPHI specificandolo nelle comunicazioni al docente.
Si sottolinea che questa appena descritta è L'UNICA MODALITÀ per rifiutare l'esito dell'esame. I messaggi email, via TEAMS o comunicazioni orali alla docente non fanno fede in tal senso.
Exam Rules
Final evaluation ranges between 18 and 30. Scores lower than 18 will be recorded as Fail.
Students must book through the DELPHI website to take the written exam. Students who are not registered will not be admitted.
During the exam, materials such as books, notes, slips of paper, formulas, etc., are not allowed.
Final grades will be recorded directly in DELPHI. Please note that the electronic recording system requires the indication of the exam result for each student registered for the exam. The rule of tacit acceptance applies for accepting the grade, and electronic recording does not require physical presence. Those who intend to refuse the grade must do so through Delphi, specifying it in the communications to the teacher. This is the ONLY WAY to refuse the exam result. Emails, TEAMS messages, or oral communications to the teacher are not valid for this purpose.
Modalità di frequenza
Attendance Rules
optional attendance
Obiettivi Formativi
Il corso fornisce un'introduzione agli strumenti utilizzati in Microeconometria Applicata perstudiare l'inferenza causale. Ha un approccio pratico, l'enfasi non è sulle dimostrazioni ma
sull'intuizione e sulle applicazioni. Il corso copre i modelli di regressione lineare, l'identificazione basata su variabili osservabili, "randomized control trials", modelli di " difference-in-differences", le variabili strumentali e (se il tempo lo permette) il "regression discontinuity design". Copriremo le basi teoriche dei metodi, e applicheremo tali nozioni
teoriche a dati dal mondo reale utilizzando il software Stata. Le sessioni su Stata saranno una componente importante del modulo. L'obiettivo è fornire agli studenti le competenze
per eseguire la preparazione dei dati e le analisi econometriche.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza dei tipi di dati e dei fondamenti della codifica su Stata, modelli di regressione lineare, tecniche di inferenza causale.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di selezionare metodi di analisi dei dati appropriati e di analizzare le relazioni causali tra variabili in economia.
AUTONOMIA DI GIUDIZIO:
Questo corso dota gli studenti delle competenze analitiche per analizzare e interpretare i dati in modo rigoroso, consentendo loro di distinguere tra correlazione e causazione.
Applicando queste competenze a scenari del mondo reale, gli studenti sono attrezzati per valutare criticamente le affermazioni causali in contesti diversi, potenziando la loro capacità di formulare giudizi indipendenti informati.
ABILITÀ COMUNICATIVE:
Capacità di individuare e presentare il quadro empirico più adatto per l'analisi in base alla natura dei dati a disposizione, di interpretare le stime econometriche correttamente, e di
comunicare in maniera efficace i risultati dell'analisi dei dati, anche mediante grafici e tabelle.
CAPACITÀ DI APPRENDIMENTO:
Capacità di imparare autonomamente ulteriori tecniche di analisi dei dati, in attività professionali o studi successivi, raggiunta attraverso l'analisi di metodi econometrici
applicati in economia, finanza e gestione.
Learning Objectives
The course provides an introduction to the tools used in Applied Microeconometrics to study causal inference. It has a practical flavor, emphasis is not on proofs but on intuitions
and on applications. The course covers linear regression models, identification based on observables, randomized control trials, difference-in-differences, instrumental variables and (time permitting) regression discontinuity design. We will cover the conceptual basis of the methods in an intuitive way, and you will learn how to apply and code such methods using the software Stata. Coding in Stata will be an important component of the module. The aim is to provide students with the skills to perform data preparation and econometric analyses.
KNOWLEDGE AND UNDERSTANDING:
Knowledge of data types and fundamentals of coding on Stata, linear regression models, causal inference techniques.
APPLYING KNOWLEDGE AND UNDERSTANDING:
Ability in selecting appropriate data analysis methods, and in analysing causal relationships among variables in economics.
MAKING JUDGMENTS:
This course empowers students with the analytical skills to rigorously analyse and interpret data, enabling them to discern between correlation and causation. By applying these skills to real-world scenarios, students are equipped to critically assess causal claims in diverse contexts, enhancing their ability to make informed, independent judgments.
COMMUNICATION SKILLS:
Ability to spot and present the most suitable empirical framework for the analysis based on the nature of the data at hand and effective communication of data analysis results, also by means of graphs and tables.
LEARNING SKILLS:
Ability to learn autonomously further data analysis techniques, in professional activities or subsequent studies, achieved through the analysis of econometric methods applied in
economics, finance and management.
Prerequisiti
Prerequisites
Programma
Assunzioni del modello lineare (4 ore)
Diagnostica (4 ore)
Inferenza (4 ore)
Valutazione di studi basati sulla regressione (2 ore)
Regressioni per serie storiche e previsioni (8 ore)
Effetti causali dinamici (4 ore)
Program
Assumptions and Diagnosis (8 hours)
Inference (4 hours)
Internal and External Validity (2 hours)
Regression Analysis of Economic Time Series Data (8 hours)
Dynamic Causal Effects (4 hours)
Testi Adottati
Books
Bibliografia
Bibliography
Modalità di svolgimento
Teaching methods
In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La struttura dell'esame include domande, sia di natura teorica che di natura empirica, in formato aperte, chiuse e/o a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso, sia la capacità di applicarle a dati reali. Alcune domande includeranno rappresentazioni grafiche ed output di stima del software statistico utilizzato, al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Exam Rules
Final evaluation ranges between 18 and 30. Scores lower than 18 will be recorded as Fail.
Students must book through the DELPHI website to take the written exam. Students who are not registered will not be admitted.
Obiettivi Formativi
Il corso fornisce le basi dell'analisi statistica ed econometrica di dati sezionali e serie storiche, evidenziandone le potenzialità̀ applicative in ambito economico e finanziario.
Si presenta il modello di regressione lineare, nella sua versione semplice e con più regressori, e lo stimatore dei Minimi Quadrati Ordinari, con relative assunzioni e proprietà. Con riferimento alle serie storiche, il corso introduce le nozione di autocorrelazione, di non-stazionarietà e di eteroschedasticità, analizzandone le conseguenze in termini di stima di modelli di regressione e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione.
Durante il corso, gli studenti e le studentesse saranno sollecitatie, mediante esercitazioni e l'utilizzo di appropriati software, ad applicare le nozioni teoriche e metodologiche al fine di risolvere problemi empirici nell'analisi di dati reali di natura macro e micro economica.
Il corso sviluppa le competenze digitali relative allo standard europeo DIGCOMP 2.1 (Area di competenze 1: Alfabetizzazione su informazioni e dati; Area di competenze 2: Comunicazione e collaborazione; Area di competenze 3: Creazione di contenuti digitali)
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza dei tipi di dati e delle relative tecniche di analisi univariate, mediante regressione lineare semplice, regressione lineare multipla, introduzione alle serie storiche.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di selezionare i più opportuni modelli di analisi dei dati e della relazione tra variabili in ambito economico, finanziario ed aziendale, a seconda del tipo di dato e della domanda di ricerca che si pone.
AUTONOMIA DI GIUDIZIO:
Saper valutare quali sono le fonti migliori dei dati, laddove disponibili, e saper organizzare una raccolta dati attendibile in caso contrario. Elaborazione ed interpretazione critica dei dati di natura quantitativa e qualitativa, relativi a fenomeni economici, finanziari ed aziendali. Analisi e valutazione di documenti della statistica ufficiale nazionale e internazionale, di articoli scientifici contenenti informazione statistica, di casi di studio.
ABILITÀ COMUNICATIVE:
Capacità di individuare e presentare in modo comprensibile ed efficace il metodo empirico utilizzato per la risoluzione di problemi/casi di studio di natura economica, finanziaria e/o aziendale nonchè i relativi risultati ottenuti dall'analisi dei dati, anche mediante rappresentazioni grafiche e tabellari.
CAPACITÀ DI APPRENDIMENTO:
Capacità di apprendere autonomamente tecniche di analisi dei dati anche più avanzate e sofisticate, eventualmente necessarie in attività professionali o studi successivi, utilizzando gli strumenti appresi durante il corso.
Learning Objectives
The course lays the foundamentals for the statistical and econometric analysis of both sectional and time series data, highlighting the potential applications to economic and financial research questions.
Contents cover the Linear Regression Model, in both simple and multiple specification, with its assumptions and properties. As for the time-series analysis, the course introduces the notions of auto-correlation, heteroskedasticity and non-stationarity, analysing the consequences in terms of model estimation outcomes and illustrating how to properly deal with those features in the data analysis.
Practices, coupled with the use of statistical software for the analysis of real-world data, will allow students to gain their abilities in collecting, analyzing, and interpreting macro and micro data.
The course also develops digital competences as of EU DIGCOMP 2.1 (Competence area 1: Information and data literacy; Competence area 2: Communication and collaboration; Competence area 3: Digital content creation).
KNOWLEDGE AND UNDERSTANDING
Knowledge of data types and related univariate analysis techniques, including simple linear regression model, multiple linear regression model, time-series models.
APPLYING KNOWLEDGE AND UNDERSTANDING
Ability in selecting appropriate data analysis methods, and in analyzing relationships among variables in economics, finance and management.
MAKING JUDGMENTS:
Ability in collecting, using and critically interpreting quantitative and qualitative data related to economics, finance and management, achieved through the analysis of documents issued by official national and international statistics, scientific articles on statistical
methods and applications, case studies.
COMMUNICATION SKILLS
Ability to spot and present the most suitable empirical framework for the analysis based on the nature of the data at hand and effective communication of data analysis results, also by means of graphs and tables.
LEARNING SKILLS:
Ability to learn autonomously further data analysis techniques, in professional activities or subsequent studies, achieved through the analysis of econometric methods applied in economics, finance and management.
Prerequisiti
Prerequisites
Programma
Assunzioni del modello lineare (4 ore)
Diagnostica (4 ore)
Inferenza (4 ore)
Valutazione di studi basati sulla regressione (2 ore)
Regressioni per serie storiche e previsioni (8 ore)
Effetti causali dinamici (4 ore)
Program
Assumptions and Diagnosis (8 hours)
Inference (4 hours)
Internal and External Validity (2 hours)
Regression Analysis of Economic Time Series Data (8 hours)
Dynamic Causal Effects (4 hours)
Testi Adottati
Books
Modalità di svolgimento
Teaching methods
In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La struttura dell'esame include domande, sia di natura teorica che di natura empirica, in formato aperte, chiuse e/o a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso, sia la capacità di applicarle a dati reali. Alcune domande includeranno rappresentazioni grafiche ed output di stima del software statistico utilizzato, al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Gli studenti devono prenotarsi tramite sito DELPHI per sostenere lo scritto. Studenti non iscritti non saranno ammessi.
Durante l'esame non sono ammessi materiali quali libro, appunti, biglietti, formulari, etc...
I voti finali saranno registrati direttamente in DELPHI. Si ricorda che il sistema di verbalizzazione elettronica richiede l'indicazione dell'esito d'esame per ciascuno degli studenti iscritti all'appello. Per l'accettazione del voto vale la regola del silenzio assenso e la registrazione elettronica non richiede la presenza fisica. Coloro che viceversa intendono rifiutare il voto sono tenuti a farlo tramite DELPHI specificandolo nelle comunicazioni al docente.
Si sottolinea che questa appena descritta è L'UNICA MODALITÀ per rifiutare l'esito dell'esame. I messaggi email, via TEAMS o comunicazioni orali alla docente non fanno fede in tal senso.
Exam Rules
Final evaluation ranges between 18 and 30. Scores lower than 18 will be recorded as Fail.
Students must book through the DELPHI website to take the written exam. Students who are not registered will not be admitted.
During the exam, materials such as books, notes, slips of paper, formulas, etc., are not allowed.
Final grades will be recorded directly in DELPHI. Please note that the electronic recording system requires the indication of the exam result for each student registered for the exam. The rule of tacit acceptance applies for accepting the grade, and electronic recording does not require physical presence. Those who intend to refuse the grade must do so through Delphi, specifying it in the communications to the teacher. This is the ONLY WAY to refuse the exam result. Emails, TEAMS messages, or oral communications to the teacher are not valid for this purpose.
Updated A.Y. 2022-2023
Il modello di regressione lineare con uno (revisione) o più regressori
Assunzioni del modello lineare e relativa Diagnostica
Inferenza
Valutazione di studi basati sulla regressione
Regressioni per serie storiche e previsioni
Effetti causali dinamici
LIBRO DI TESTO: Introduzione all'Econometria, James H. Stock e Mark W. Watson (5a ed.).
OBIETTIVI FORMATIVI:
Il corso fornisce le basi dell'analisi statistica ed econometrica di dati sezionali e serie storiche, evidenziandone le potenzialità̀ applicative in ambito economico e finanziario.
Si presenta il modello di regressione lineare, nella sua versione semplice e con più regressori, e lo stimatore dei Minimi Quadrati Ordinari, con relative assunzioni e proprietà. Con riferimento alle serie storiche, il corso introduce le nozione di autocorrelazione, di non-stazionarietà e di eteroschedasticità, analizzandone le conseguenze in termini di stima di modelli di regressione e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione.
Durante il corso, gli studenti e le studentesse saranno sollecitatie, mediante esercitazioni e l'utilizzo di appropriati software, ad applicare le nozioni teoriche e metodologiche al fine di risolvere problemi empirici nell'analisi di dati reali di natura macro e micro economica.
Il corso sviluppa le competenze digitali relative allo standard europeo DIGCOMP 2.1 (Area di competenze 1: Alfabetizzazione su informazioni e dati; Area di competenze 2: Comunicazione e collaborazione; Area di competenze 3: Creazione di contenuti digitali)
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza dei tipi di dati e delle relative tecniche di analisi univariate, mediante regressione lineare semplice, regressione lineare multipla, introduzione alle serie storiche.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di selezionare i più opportuni modelli di analisi dei dati e della relazione tra variabili in ambito economico, finanziario ed aziendale, a seconda del tipo di dato e della domanda di ricerca che si pone.
AUTONOMIA DI GIUDIZIO:
Saper valutare quali sono le fonti migliori dei dati, laddove disponibili, e saper organizzare una raccolta dati attendibile in caso contrario. Elaborazione ed interpretazione critica dei dati di natura quantitativa e qualitativa, relativi a fenomeni economici, finanziari ed aziendali. Analisi e valutazione di documenti della statistica ufficiale nazionale e internazionale, di articoli scientifici contenenti informazione statistica, di casi di studio.
ABILITÀ COMUNICATIVE:
Capacità di individuare e presentare in modo comprensibile ed efficace il metodo empirico utilizzato per la risoluzione di problemi/casi di studio di natura economica, finanziaria e/o aziendale nonchè i relativi risultati ottenuti dall'analisi dei dati, anche mediante rappresentazioni grafiche e tabellari.
CAPACITÀ DI APPRENDIMENTO:
Capacità di apprendere autonomamente tecniche di analisi dei dati anche più avanzate e sofisticate, eventualmente necessarie in attività professionali o studi successivi, utilizzando gli strumenti appresi durante il corso.
Updated A.Y. 2022-2023
Simple (revision) and multiple linear regression model
Assumptions and diagnosis
Inference
Internal and external validity
Regression analysis and forecasts of time-series
Dynamic causal effects
TEXTBOOK: Introduction to Econometrics, James H. Stock and Mark W. Watson (fifth edition)
LEARNING OUTCOMES:
The course lays the fundamentals for the statistical and econometric analysis of both sectional and time series data, highlighting the potential applications to economic and financial research questions.
Contents cover the Linear Regression Model, in both simple and multiple specification, with its assumptions and properties. As for the time-series analysis, the course introduces the notions of auto-correlation, heteroskedasticity and non-stationarity, analyzing the consequences in terms of model estimation outcomes and illustrating how to properly deal with those features in the data analysis.
Practices, coupled with the use of statistical software for the analysis of real-world data, will allow students to gain their abilities in collecting, analyzing, and interpreting macro and microdata.
The course also develops digital competencies as of EU DIGCOMP 2.1 (Competence area 1: Information and data literacy; Competence area 2: Communication and collaboration; Competence area 3: Digital content creation).
KNOWLEDGE AND UNDERSTANDING
Knowledge of data types and related univariate analysis techniques, including simple linear regression model, multiple linear regression model, and time-series models.
APPLYING KNOWLEDGE AND UNDERSTANDING
Ability to select appropriate data analysis methods and to analyze relationships among variables in economics, finance, and management.
MAKING JUDGMENTS:
Ability to collect, use and critically interpret quantitative and qualitative data related to economics, finance and management, achieved through the analysis of documents issued by official national and international statistics, scientific articles on statistical
methods and applications, and case studies.
COMMUNICATION SKILLS
Ability to spot and present the most suitable empirical framework for the analysis based on the nature of the data at hand and effective communication of data analysis results, also by means of graphs and tables.
LEARNING SKILLS:
Ability to learn autonomously further data analysis techniques, in professional activities or subsequent studies, achieved through the analysis of econometric methods applied in economics, finance, and management.